Target PCA: Transfer learning large dimensional panel data
目标主成分分析：高维面板数据的迁移学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究大规模面板潜在因子，并将方法应用于混频宏观经济面板的数据填补。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
目标主成分分析：高维面板数据的迁移学习
- 研究问题
- 目标面板存在大量缺失和弱因子信号时，如何有效利用辅助面板信息，改善潜在因子估计与缺失数据填补？
- 方法与思路
- 作者提出 target-PCA，通过辅助面板向目标面板迁移信息，研究近似因子模型和缺失模式下的估计及渐近推断。
- 材料陈述的贡献
- 摘要称，该方法提高效率并一致估计常规方法无法识别的弱因子，在混频宏观面板填补应用中优于所用基准。
- 阅读关注点
- 应核对目标与辅助面板共享信息的条件、最优权重定义，以及弱因子、缺失机制和推断有效性的具体范围。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本；辅助数据兼容条件、缺失限制与改进数值未说明，不能推断后续刊本变化。
原文摘要
This paper develops a novel method to estimate a latent factor model for a large target panel with missing observations by optimally using the information from auxiliary panel data sets. We refer to our estimator as target-PCA. Transfer learning from auxiliary panel data allows us to deal with a large fraction of missing observations and weak signals in the target panel. We show that our estimator is more efficient and can consistently estimate weak factors, which are not identifiable with conventional methods. We provide the asymptotic inferential theory for target-PCA under very general assumptions on the approximate factor model and missing patterns. In an empirical study of imputing data in a mixed-frequency macroeconomic panel, we demonstrate that target-PCA significantly outperforms all benchmark methods.